「Python爬虫」最细致的讲解Python爬虫之Python爬虫入门

一、认识爬虫

1.1、什么是爬虫？

 爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

1.2、Python爬虫架构

调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。

URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。

网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)

网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
应用程序：就是从网页中提取的有用数据组成的一个应用。

一、爬虫准备

2.1.1、爬虫类型

• 小爬：各种库来爬
• 中爬：框架
• 大爬：搜索引擎

2.1.2、目的

• 解决数据来源的问题
• 做行业分析
• 完成自动化操作
• 做搜索引擎

2.1.3、目标类型

• 新闻/博客/微博
  图片，新闻，评论
• 电影视频
  视频，评论
• 音乐
  音频，评论

三、开始爬虫

本章为爬虫入门，所以我们只需要安装几个Python库即可，如下：

  requests | pip install requests
  bs4 | pip install bs4
  lxml | pip install lxml

发送请求

我们每天访问百度，其实就是一次请求，这个requests作用其实就是使用代码模拟我们人类给网站发送了一次请求。 首先我们需要导入requests库 如下：

import requests  #  导入requests库

导入之后我们就可以使用requests库中的方法了，例如我们需要获取我csdn某一篇文章。

r = requests.get('https://www.jianshu.com')

现在，我们有一个名字为：r的Response响应对象，也就是我们访问网站，网站肯定会给我们数据。一些参数如下：

r.status_code # 查看访问状态码 200为ok 是成功的
200
# 然后获取网页源码
r.text # 就是整个网页的html代码

有了html源码一般使用正则匹配数据，但是太麻烦，我们选择一个更简单的可以解析html的python库
就是

from bs4 import BeautifulSoup

来个案例 查找所有关于title标签

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from bs4 import BeautifulSoup
html = '网页源码'
soup = BeautifulSoup(html, 'lxml')
title = soup.find_all('title')
print(title)
>>> [<title>The Dormouse's story</title>]

其中有个lxml 这个是lxml HTML 解析器 上面已经安装到了
说几个BeautifulSoup比较重要的函数

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from bs4 import BeautifulSoup
html = '网页源码'
soup = BeautifulSoup(html, 'lxml')
soup.find_all('a') # 获取整个网页所有a标签
soup.find_all('p') # 获取整个网页所有p标签
soup.find('p') # 获取网页第一个p标签
soup.select('#stro p') # 这个是按照css选择器获取元素的 和css几乎相同